Amazon与UMass论文:LLM评审拖累AutoML搜索
热点事件持续更新
Amazon与UMass论文:LLM评审拖累AutoML搜索
1 篇报道1 个报道来源2 小时前更新
先了解这件事
AI 综述
Amazon 与马萨诸塞大学的一篇论文发现,在 AutoML 搜索循环中加入 LLM 评审收益极小、下行风险更大。研究在固定 96 种 pipeline 配置的表格模型搜索中对比有无评审两种情况:Llama-3.1-8B 评审在 8 个数据集中的 7 个上低于无评审基线,最多损失 0.245 AUC。 论文称,理想评审最多仅提升约 0.005 AUC;当配置增至 250 种、搜索进行 20 轮后,这种危害大多消退。
AI 根据报道生成 · 1 小时前更新
最新进展11月18日 03:23
研究:LLM 评审拖累 AutoML 搜索效果报道时间线
沿着报道,了解事件的不同侧面。
11月18日
- RadarAI研究:LLM 评审拖累 AutoML 搜索效果
Amazon 与马萨诸塞大学的论文发现,在 AutoML 搜索循环中加入 LLM 评审收益极小、下行风险更大。在 96 种 pipeline 配置的表格模型搜索中,Llama-3.1-8B 评审在 8 个数据集中的 7 个上低于无评审基线,最多损失 0.245 AUC;理想评审最多仅提升约 0.005 AUC,且危害在 250 种配置、20 轮后大多消退。
本事件热度走势
还没有足够的连续观测数据,暂不绘制趋势。